结构之法 算法之道

6月团队密集开展具身智能开发，连续实现机械臂(piper)、人形机器人(宇树G1)的VR遥操与自主任务训练。重点突破TWIST系统，该创新方案将全身遥操建模为实时动作重定向问题，通过MoCap数据采集与两阶段RL训练策略，解决了人机异构体差异带来的控制瓶颈。系统整合15,000段离线动作与150段实时数据，在29自由度的UnitreeG1上实现多样化类人技能。相比传统模块化控制器或局部动作捕捉方案，TWIST通过末端执行器扰动训练和联合优化关

本文解读了R2S2和OpenWBT工作，提出Real-world-Ready Skill Space（R2S2）框架来解决类人机器人在真实环境中的运动控制问题。该框架通过构建包含行走、姿态调整和手部操作等原始技能库，并通过模仿学习和强化学习将技能集成编码为潜在空间，从而实现了技能间的协调与切换。研究在IsaacGym仿真环境中训练，采用PPO算法和域随机化技术，最终形成具有仿真到现实迁移能力的结构化技能先验，为高层任务规划提供了统一表达。该工作突破了传统方法在系统建模和环境扰动上的局限，为类人机器人的全身控

为了实现让类人机器人自主执行类似人类任务的最终目标当前的研究主要集中在改进单项技能上，包括运动能力locomotion（Radosavovic等，2024；Zhuang等，2024）、双手操作manipulation（Ze等，2024a；Li等，2024a；Zhou等，2024）以及全身控制whole-bodycontrol（He等，2024a；Fu等，2024a）最近的研究（Firoozi等，2023；

为了历练新同事们，我给所有的新同事们分为了三个项目组(长沙及各地原有的老同事们 则继续之前的客户订单项目)第一组 通过RL(uc伯克利hil-serl) 实现电源插拔第二组 通过lerobot act/pi0，和VLA openpi 实现USB插拔第三组 在弄人形，这两天搞的过程中 发现缺一些设备，所以下周到位后 正式开搞G1 edu版以上的前两个组偏机械臂，大伙每天都在全力加速前进，而人形测 我则继续做更多的技术探索、积累、铺垫如此，过程中，关注到了CLONE这个工作，故本文来解读之

自去年起，我司专注于具身智能的场景落地与定制开发，导致需求激增，工作节奏加快。在此背景下，我关注了CMU、UCSD、斯坦福等高校的最新研究，特别是UCSD王小龙团队的AMO工作。AMO提出了一种自适应运动优化框架，通过混合运动合成和可泛化策略训练，解决了人形机器人在动态全身控制中的挑战。该框架结合了动作捕捉数据和概率采样，生成满足动力学约束的全身参考动作，并通过AMO网络实现连续映射，提升了机器人在复杂环境中的适应性和实时响应能力。这一创新为人形机器人的灵巧操作提供了新的解决方案。

本文一开始是属于此文《人形loco-manipulation专题——涵盖Mobile-TeleVision、外骨骼驾驶舱HOMIE、下肢RL-上肢模仿的AMO、上下双智能体联合训练的FALCON》的第二部分的但考虑到在这4个针对loco-manipulation的模型中，我想先尝试一下其中的这个HOMIE加之，HOMIE相对开源的更彻底，更想把其介绍的更详尽细致些考虑到为了避免对上文篇幅过长的担忧，而使得很多细节 没法尽情展开，故把HOMIE独立出来，成此文